ÁREAS PROBABLES DE DEGRADACIÓN-DEFORESTACIÓN DE LA ... · México.Blvd Luis Encinas y Rosales SN, Centro, 83000 Hermosillo, Son., México RESUMEN El objetivo de este trabajo fue

Bravo Peña L. C., Torres Olave M. E., Alatorre Cejudo L. C., Castellanos Villegas A. E., Moreno Murrieta R.. L,

Granados Olivas A., Uc Campos M., González León M., Wiebe Quintana L. C. (2017): “Áreas probables de

degradación-deforestación de la cubierta vegetal en Chihuahua, México. Una exploración mediante regresión

logística para el período 1985-2013”, GeoFocus (Artículos), nº 20, p. 109-137. ISSN: 1578-5157

http://dx.doi.org/10.21138/GF.545

Recibido: 22/11/2016 Los autores Aceptada versión definitiva: 26/07/2017 www.geo-focus.org

Editor al cargo: Dr. Pere Serra

Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)

109

ÁREAS PROBABLES DE DEGRADACIÓN-DEFORESTACIÓN DE LA CUBIERTA

VEGETAL EN CHIHUAHUA, MÉXICO. UNA EXPLORACIÓN MEDIANTE

REGRESIÓN LOGÍSTICA PARA EL PERÍODO 1985-2013.

LUIS CARLOS BRAVO PEÑA1, MARÍA ELENA TORRES OLAVE

1, LUIS CARLOS

ALATORRE CEJUDO1, ALEJANDRO E. CASTELLANOS VILLEGAS

2, RAMÓN

LEOPOLDO MORENO MURRIETA1, ALFREDO GRANADOS OLIVAS

1, MARIO UC

CAMPOS1, MANUEL GONZÁLEZ LEÓN

1, LARA CECILIA WIEBE QUINTANA

1.

1Universidad Autónoma de Ciudad Juárez, km 3.5 Carretera Cuauhtémoc-Anáhuac, Cd. Cuauhtémoc CP.

31560, Chihuahua, México.

[email protected] 2Universidad de Sonora. México.Blvd Luis Encinas y Rosales SN, Centro, 83000 Hermosillo, Son.,

México

RESUMEN

El objetivo de este trabajo fue identificar las áreas con riesgo de degradación-deforestación de la

cubierta forestal en el oeste de Chihuahua, en el norte de México, utilizando un modelo de

regresión logística. Se generó la regresión entre once capas de información geográfica (biofísica

y socioeconómica) y áreas deforestadas de cuatro municipios del estado durante el período

1985-2013. Los resultados indican un buen poder predictivo del modelo generado (Pseudo-R2

de McFadden de 0.24), e identifican la tenencia de la tierra, el grado de marginación y su

comportamiento temporal, la aptitud agrológica del suelo y la pendiente del terreno, como las

variables con mayor peso en la predicción de zonas susceptibles de degradación y pérdida de

bosques. Estos hallazgos facilitan el manejo ambiental de áreas boscosas y la mitigación de

causas en zonas que están sufriendo este proceso.

Palabras clave: Deforestación, Chihuahua, Predicción, Regresión Logística.

PROBABLE AREAS OF DEGRADATION-DEFORESTATION OF VEGETATION

COVERAGE IN CHIHUAHUA, MEXICO. AN EXPLORATION THROUGH LOGISTIC

REGRESSION FOR THE PERIOD 1985-2013.

ABSTRACT

The objective of this work was to identify the areas with risk of degradation- deforestation of

forest cover in the west of Chihuahua, in the north of Mexico, using a logistic regression model.

It was generated the regression between eleven layers of geographic information (biophysical

and socioeconomic) and deforested areas of four municipalities of the state during the period

1985-2013. The results indicate a good predictive power of the generated model (McFadden's

Pseudo-R2 of 0.24), and identify land tenure, degree of marginalization and its temporal

behavior, soil agrological suitability and terrain slope, as the variables with the biggest weight in

mailto:[email protected]






Los autores

www.geo-focus.org

110

the prediction of susceptible areas to forest degradation and loss. These findings facilitate the

environmental management of forested areas, and mitigation of causes in zones that are

suffering this process.

Key words: Deforestation, Chihuahua, Prediction, Logistic Regression.

1. Introducción.

En México la deforestación de coberturas en áreas de importancia forestal es un problema

muy preocupante. Estimaciones a principios de la década pasada mostraron cifras de hasta

775,800 ha/año de pérdida de cubierta vegetal forestal (Velázquez et al, 2002), asociado a

factores como la ampliación de la frontera agropecuaria (nuevas áreas agrícolas y de pastizal), la

intensificación del uso del suelo, los desmontes ilegales y los incendios forestales, que pueden

estar relacionados con las actividades agropecuarias, y últimamente con actividades de carácter

ilícito, como el narcotráfico. En Chihuahua, una entidad del norte del país con importante

cobertura forestal, una estimación con datos de los inventarios forestales durante el periodo 1985-

2008, mostró niveles de pérdida que destacan en el territorio nacional. Tan solo en el bosque de

coníferas primario, se perdieron casi 10 000 km2 en ese periodo, pues dicha cobertura pasó de

25 522 km2 a 15,942 km

2 en veintidós años (Pérez et al, 2013).

En Chihuahua este proceso de pérdida de las cubiertas vegetales se relaciona con la

ampliación de pastizales y áreas agrícolas en las zonas serranas, pero no está clara la importancia

específica que representa cada causa en las distintas zonas del estado. Se desconoce en qué

medida los cambios de uso del suelo se favorecen por la cercanía de áreas agrícolas, carreteras,

los caminos rurales de terracería, la pendiente del terreno, la aptitud agrológica del suelo, etc.;

por lo que es necesario identificar y cuantificar la importancia relativa de estos factores para

impulsar medidas que disminuyan la degradación o alteración de cubiertas naturales. Las

exploraciones de este tipo deben ser lo suficientemente específicas como para revelar qué pasa en

las distintas zonas de la entidad, pues la importancia de los factores causales puede ser diferente

dependiendo de las condiciones físicas, económicas, culturales o políticas de cada región de

Chihuahua.

Esta preocupación no es nueva, y ha sido motivo de trabajo científico en otras latitudes del

mundo desde hace décadas (Mertens et al, 2004). A fines del siglo pasado por ejemplo, Angelsen

& Kaimowitz (1999), mencionaron más de 150 modelos para entender qué factores conducen el

proceso de deforestación. Estos autores encontraron que la mayoría de los modelos combinaban

en general 115 variables, pero presentaban a menudo resultados contradictorios sobre el mismo

proceso. Al final concluyen que esto se asociaba con la complejidad del fenómeno que

pretendían modelar. Dicha complejidad convierte a este tipo de exploraciones, uno de los retos

científicos más interesantes en geografía (Basse et al, 2014).

En respuesta a esta necesidad, distintos autores han realizado exploraciones para entender

los factores causales de fenómenos como la deforestación de bosques y selvas, ampliación de la

frontera agrícola, y el cambio de uso del suelo, a partir de establecer las relaciones que estos

procesos presentan con variables explicativas que se asumen como variables causales (Pérez-






Los autores

www.geo-focus.org

111

Vega, Mas, & Ligmann-Zielinska, 2012; Liénard, Gravel, & Strigul, 2015). Dentro de estas

exploraciones, los modelos sustentados en la técnica de regresión logística (RLO) se utilizan

ampliamente para identificar la contribución de variables explicativas a los cambios en los usos

del suelo (Pir, 2015; Kumar, Nandy, Agarwal, & Kushwaha, 2014; Arekhi, 2013), y en el caso

específico de procesos como la deforestación de bosques, han probado su utilidad para predecir

la pérdida de cobertura e identificar los factores socio-económicos o biofísicos vinculados con

este fenómeno (Roy, 2006; Morales-Barquero, Borrego, Skutsch, Kleinn, & Healey, 2015).

El método de RLO, permite establecer la importancia relativa de las causas o fuerzas

motrices que inducen el deterioro de la cubierta vegetal. Constituye un procedimiento estadístico

que puede realizarse en un entorno de Sistemas de Información Geográfica (SIGs), pues estos

permiten el manejo de grandes capas de información espacial. Los SIGs en conjunto con los

sistemas de sensoría remota facilitan la identificación de patrones espaciales no evidentes a

simple vista, mediante el procesamiento simultáneo de capas de información geográfica.

Constituyen una valiosa herramienta de apoyo para la toma de decisiones, y han probado su

utilidad en gran diversidad de condiciones geográficas para el monitoreo de muchos ambientes

distintos (Shalaby & Tateishi, 2007; Marín, Nahuelhual, Echeverría, & Grant, 2013). Así, la

regresión logística realizada en un entorno de SIG, ha permitido la gestión de medidas

encaminadas a la protección de ecosistemas (Fagerholm et al., 2016;. Semeraro et al., 2016), y en

particular al manejo de bosques (Zambelli et al., 2012; Eugenio et al., 2016; Lin, Thomson,

Hung, & Lin, 2012).

Como método estadístico RLO permite determinar la relación existente entre una variable

dependiente, de tipo nominal, y dicotómica, y un conjunto de variables independientes,

cuantitativas o categóricas (Rogerson, 2010). Constituye un procedimiento estadístico que tiene

cierto parecido con la regresión lineal múltiple (RLM), pero que a diferencia de esta, presenta

una variable de respuesta que no tiene distribución continua en términos probabilísticos. Por el

contrario, en RLO la variable dependiente es discreta, o categórica, y toma valores de 0 y 1, en

función de la no ocurrencia del fenómeno (Valor 0) o la ocurrencia del mismo (Valor 1).

Adicionalmente, las variables explicativas pueden ser cualitativas o cuantitativas, y la ecuación

del modelo corresponde a una función exponencial, de tipo logit. En este caso, al aplicar un

modelo de RLO, no se construye un modelo lineal para calcular los valores reales de la variable

de interés, sino que se calcula la probabilidad de que la variable de respuesta adopte el valor del

evento modelado, en función del valor que presentan las variables independientes en la misma

ubicación espacial. En el proceso de modelización, el RLO genera coeficientes individuales para

cada variable, que están relacionadas con su peso en el cambio de la variable predicha.

Con base en los elementos anteriores, el objetivo de este trabajo fue identificar las zonas

con riesgo de deforestación en el poniente de Chihuahua mediante un modelo de regresión

logística, que identifique áreas potenciales para la ocurrencia de este fenómeno y la contribución

y el peso estadístico de las variables socioeconómicas y ambientales involucradas en este

proceso. Para la modelización de la deforestación se consideraron las tendencias de pérdida de

cubierta vegetal de bosques de pino, pino-encino, encino-pino y encino (Pinus chihuahuana,

Pinus durangensis, Pinus engelmanii, Quercus rugosa, Querqus chihuahuensis, Querqus

sideroxyla; Lebgue, Quintana y Soto, 2015) durante el periodo 1985-2013 en la misma zona de

estudio, desarrollándose el trabajo en un entorno de Sistemas de Información Geográfica.






Los autores

www.geo-focus.org

112

2. Materiales y Métodos.

2.1 Área de estudio.

El área de estudio comprende cuatro municipios de la región centro-poniente de

Chihuahua (Figura 1), en el norte de México; en una región donde se han apreciado cambios

importantes de uso del suelo desde la década de los noventas del siglo pasado (Aguilar, 2013).

Estos cuatro municipios (Riva Palacio, Cuauhtémoc, Guerrero y Ocampo) abarcan una superficie

de 13 439.8 km², que representa 5.4 % de la extensión territorial del entidad (247 087 km²). Esta

superficie parece poco en el contexto estatal, pero es superior a la superficie de otros estados en

México, como Aguascalientes, Colima, Tlaxcala y Querétaro por separado.

Figura 1. Macro-localización del área de estudio. A) Municipios bajo estudio, B) Ubicación en Chihuahua, C) Ubicación de Chihuahua en México.

(Fuente: elaboración propia)

El área de estudio se localiza en la vertiente oriental de la Sierra Madre Occidental,

formación montañosa que atraviesa Chihuahua, y el resto del país, de noroeste a sureste.

Derivada de esta ubicación, el área presenta un rango altitudinal que va de los 1600 metros sobre

el nivel del mar (msnm) hacia el este, donde predominan las pendientes más planas, y hasta 2700

msnm en el oeste, donde predomina el relieve más accidentado. Asociado con esta altitud, en el

área se observan climas que van desde semi-seco templado en las regiones de menor altitud,

hasta subhúmedo semifrío donde las altitudes son mayores (García 1973). Esta combinación de

altitud y clima, genera un mosaico de condiciones ambientales que favorecen la presencia de

matorrales xerófilos, pastizales, y parches de bosque de encino pino al este, e importantes masas

forestales de encino-pino y pino al oeste (Rzedowski, 1978).

En cuanto a condiciones socioeconómicas, en la zona de estudio se localizan 1002

localidades. Según el XII Censo General de Población y Vivienda (INEGI, 2012), estas

localidades sumaron 207 605 habitantes, con poblaciones que van desde 1 hasta 114,007

personas. En general se trata de poblaciones muy heterogéneas en tamaño, equipamiento e

indicadores de desarrollo humano, pero de manera general configuran un patrón espacial que

presenta mayor densidad de localidades, y bajos niveles de pobreza al este del área de estudio, y






Los autores

www.geo-focus.org

113

menor densidad de localidades, y altos niveles de pobreza al oeste de la misma, en las zonas

serranas. En estas últimas, las condiciones orográficas han propiciado históricamente el

aislamiento de las poblaciones, poca diversificación productiva, y carencias importantes en

materia de equipamiento urbano, disponibilidad de infraestructura educativa y de salud.

En la zona son muy importantes la ganadería de bovinos y la actividad agrícola. Esta

última se desarrolla bajo dos modalidades: como agricultura de temporal en las zonas donde la

pendiente y lo accidentado del terreno no permite la construcción o instalación de infraestructura

para riego, y bajo la modalidad de riego con agua subterránea, donde la pendiente es lo

suficientemente plana, y los predios lo suficientemente grandes, como para pagar las inversiones

realizadas en el equipamiento de pozos profundos. La agricultura de temporal usualmente se

desarrolla en las vegas de ríos y arroyos, donde se ha acumulado suficiente cantidad de aluvión y

materia orgánica, como para trabajar la tierra con pocos insumos químicos después de la

temporada de lluvias (Junio, Julio y Agosto). Los predios dedicados a la agricultura de temporal,

usualmente se dejaban descansar por lapsos que iban de tres a siete años cada tres ciclos de

cultivo, con el fin de que recuperaran su productividad (Hillerkus, 1992). Lo anterior implicaba

abrir nuevos terrenos agrícolas en las áreas cubiertas por vegetación natural, que se dejaban en

descanso al cabo de tres o cuatro ciclos agrícolas, tiempo durante el cual se utilizaban como

potreros ganaderos. Esta forma de trabajar la tierra permitía cierta recuperación de la vegetación

original en años o periodos lluviosos, en particular si soportaban poca carga ganadera, o se les

abandonaba por muchos años.

Los periodos de descanso a la tierra bajo la modalidad anterior son cada vez menos

frecuentes, básicamente por el aumento de la población, que demanda más producción agrícola y

más tierra; y por la presión ejercida por cultivos ilícitos (marihuana y amapola) y la tala ilegal,

que tienen una presencia creciente hacia el oeste y el sur de la zona de estudio. En este último

caso, ocurre que las bandas del narcotráfico también incursionan en el tráfico ilegal de madera,

fomentando la tala del bosque, y el incendio de las áreas deforestadas (Publicación Vida Nueva,

2015; Periódico Zócalo, 07/05/2016), para que una vez quemadas se borre la evidencia del

desmonte -al quemarse los tocones no hay elementos para sustentar tala ilegal-. La extracción de

madera o leña ilegal reporta jugosas ganancias, pero es una práctica que requiere construir una

cadena de complicidades, por lo que no se observa el cambio de cubiertas de un día para otro. En

lugar de eso, la cubierta vegetal se va degradando gradualmente, conforme se extrae biomasa en

forma de leña, o se cortan los árboles de gran talla y los predios deforestados se incendian.

Debido a las presiones anteriores, en la zona pueden observarse predios con cubierta

forestal en diferentes condiciones de calidad ecológica o degradación. Al lado de áreas

relativamente conservadas, con poca evidencia de disturbio humano, es posible encontrar predios

donde el bosque tiene una calidad ecológica menor, pues predominan los arboles de poca talla, el

bosque está muy disperso, predominan matorrales y vegetación secundaria, o de plano no hay

vegetación porque el predio se ha degradado hasta un punto irreversible. La coexistencia y

vecindad espacial de estas tres condiciones ecológicas de calidad de la vegetación original, y la

dinámica de los usos del suelo predominantes en la zona, revelan que el proceso de cambio de

coberturas forestales a no forestales, puede involucrar el cambio abrupto de terreno forestal a no

forestal, pero frecuentemente involucra una degradación paulatina de las áreas forestales,

siguiendo la trayectoria a) de áreas boscosas a áreas degradadas donde predomina el matorral y

vegetación secundaria, y posteriormente en terrenos con uso agrícola o de pastizal; o bien la

trayectoria b) de áreas boscosas a terrenos agrícolas, que se abandonan por muchos años y se






Los autores

www.geo-focus.org

114

convierten en áreas con vegetación secundaria, o eventualmente, en casos raros, en bosque

regenerado.

2.2. Identificación de áreas degradadas-deforestadas.

En atención a las condiciones prevalecientes en la zona, en este trabajo se decidió

considerar a la degradación-deforestación de cubiertas forestales como dos partes de un mismo

proceso. En consecuencia, en la generación de los insumos para la modelación mediante RLO se

consideraron tanto las áreas deforestadas en un periodo determinado, como los áreas que

experimentaron degradación evidente de la cubierta vegetal en el mismo periodo, aunque no

hayan experimentado un cambio abrupto de condición forestal a no forestal.

Para la identificación de los predios en cualquiera de las dos condiciones anteriores, se

utilizaron las cartografías de uso del suelo y vegetación generadas por la Comisión de Estudios

de Territorio Nacional (CETENAL) en 1985, publicada en formato vectorial por INEGI (2001) -

Uso del suelo y Vegetación Serie I-, y la cartografía digital de Uso del suelo y vegetación serie

V, que es la más reciente cartografía a nivel nacional de cubierta vegetal y de uso del suelo,

publicada por INEGI (2013b). Ambas cartografías se desarrollaron bajo la misma base teórica y

metodológica, mediante reconocimientos de campo y fotointerpretación en imágenes de satélite

(INEGI, 2015), por lo que en este trabajo se realizó una homogenización de las clases de usos de

suelo y cubierta vegetal para facilitar la comparación entre ambas.

Previo a la homogenización, se verificó la correspondencia espacial de clases y coberturas

de uso del suelo en ambas cartografías. Aunque hay consistencia metodológica en los distintos

inventarios (INEGI, 2015), la escala en la que fueron generados (1:250 000), y la disponibilidad

de insumos satelitales de mayor calidad en fechas recientes, puede facilitar confusiones en la

comparación de un año a otro, especialmente cuando se realizan comparaciones con los

inventarios más antiguos. Se encontró que la cobertura de asentamientos humanos en la

cartografía de 1985, omitía localidades que si aparecen en la cartografía de 2013, básicamente

por el tamaño de los asentamientos, que no eran visibles o fácilmente cartografiables en las

imágenes satelitales disponibles en la época (Landsat MSS). Debido a eso, para incrementar la

precisión en las comparaciones, se incorporaron a la cartografía más antigua los polígonos de los

asentamientos omitidos. Este proceso implicó la fotointerpretación de ortofotos aéreas de la

época (resolución por pixel de 2 m), tomando como base los polígonos de los asentamientos si

incluidos en el mapa más reciente. Dichos polígonos fueron redelimitados en plataforma de SIG,

con base en el tamaño y la forma de los poblados en la década de los 80´s, para ser añadidos

posteriormente -mediante algebra de mapas- al inventario de uso del suelo de 1985. Además de

esta operación, se verificó la base de atributos tabulares correspondientes a cada mapa, con el

propósito de identificar y eliminar inconsistencias y omisiones en el etiquetado de los polígonos.

Una vez concluido el proceso anterior, ambas cartografías fueron reclasificadas en 2

clases: Natural y Antrópica. En la clase “Natural”, se incluyeron las categorías bosque de

coníferas, bosque de coníferas y latifoliadas, bosque de latifoliadas, matorral xerófilo, otros tipos

de vegetación, pastizales naturales, selva caducifolia y selva sub- caducifolia; que incluyen

básicamente vegetación primaria en buen estado de conservación ecológica y poca presencia de

elementos vegetales correspondientes a vegetación secundaria (arbustiva, herbácea o arbórea)

producto de disturbios humanos –se trata de clases con vegetación primaria dominante, con

presencia marginal de vegetación secundaria-. Por el contrario, en la clase “Antrópicas” se






Los autores

www.geo-focus.org

115

incluyeron las categorías: agricultura de temporal, pastizales inducidos y cultivados, agricultura

de riego y humedad, asentamientos humanos, y áreas donde la vegetación primaria se ha

degradado significativamente, substituyéndose de forma irreversible por vegetación secundaria

debido a la presión antrópica constante (categoría: sólo vegetación secundaria), o bien áreas

donde la vegetación primaria se ha deforestado, sin que se observen procesos de recuperación

ecológica y repoblación vegetal (categoría: sin vegetación aparente). Esta reclasificación tomó

como base los atributos tabulares de cada mapa, y se hizo con el propósito de que los cruces de

ambos insumos y las estadísticas espaciales derivadas fueran equivalentes y comparables.

Posterior a la reclasificación de las cartografías, se construyó una matriz de tabulación

cruzada (CROSSTAB), en el programa IDRISI selva, con base en la metodología propuesta por

Pontius, Shusas, & McEachern (2004). La tabulación cruzada consiste en una tabla o matriz de

doble entrada, donde se comparan las coberturas y las clases de interés de un año a otro, para

identificar los cambios en el periodo evaluado. En dicha matriz, al final de las columnas se

observa el área de la clase a en el tiempo uno y al final de los renglones el área de la misma clase

a en el tiempo dos, mientras que en la diagonal de la matriz se identifican las superficies

constantes de un tiempo a otro. A los costados de la diagonal se encuentran las superficies que

cambiaron: áreas sumadas a la clase si están en los renglones, o restadas a la misma si están en

las columnas. Esta misma lógica aplica para las clases restantes (clases b,c,d hasta n).

2.3 Identificación y caracterización de variables explicativas.

El proceso de degradación-deforestación se vincula con un conjunto de variables

explicativas. En la bibliografía se reporta usualmente a variables socioeconómicas como

tenencia de la tierra, existencia de subsidios, distancia a caminos, pobreza, áreas agrícolas

actuales etc.; mientras que en las variables físicas destaca la utilización de variables como

pendiente, distancia a cuerpos de agua y escurrimientos, etc. (Serra, Pons, & Saurí, 2008; Pineda

Jaimes, Bosque Sendra, Gómez Delgado, & Plata Rocha, 2009; Morales-Barquero et al., 2015);

Partiendo de estos antecedentes, y del conocimiento que se tiene de la zona, en este trabajo se

utilizaron once variables explicativas del proceso, vinculadas a las dinámicas históricas y

actuales de ocupación del territorio en los municipios con cubierta forestal. Estas variables, los

procesos a las que se sometieron en el SIG y sus fuentes se indican en la tabla 1.

Tabla 1. Variables y procesos desarrollados en el trabajo.

Variable Acró-

nimo

Fuente Proceso desarrollado en este trabajo.

Aptitud

agrológica del

suelo

CEd Carta Edafológica de la

cartografía de INEGI

(2007).

Se obtuvo al reclasificar la cartografía de suelos

de INEGI (INEGI, 2007a) en grupos de aptitud

agrológica, con base en sus atributos texturales,

morfométricos, físico-químicos, y de respuesta

hidrológica.

Estos grupos fueron:

Feozems (4: Alta aptitud), Regosol, Planosoles,

Vertisoles Xerosoles (3: Media aptitud),

Luvisoles y Cambisoles (2: Baja aptitud);

Litosol (1: Muy baja aptitud)

Pendiente Pe Modelo Digital de El MDE se clasificó en niveles de pendiente en






Los autores

www.geo-focus.org

116

Terreno (Continuo de

Elevaciones Mexicano)

(INEGI, 2013a)

grados.

El producto resultante se clasificó en cinco

clases de aptitud para las actividades

agropecuarias: 5, Pendiente menor a 3 grados, 4

, pendiente entre 3 y 5 grados; 3, pendiente entre

5 y 10 grados; 2, pendiente entre 10 y 30

grados; 1, pendiente mayor a 30 grados.

Distancia a

arroyos y

escurrimientos

superficiales.

DEsc Mapa de arroyos y

escurrimientos

superficiales.

Fotointerpretación en

este trabajo.

Se generó un mapa de distancia mediante

operadores de contexto espacial.

Distancia a

polígonos

agrícolas en

1985

DPA Inventario de uso del

suelo y vegetación

correspondiente a 1985.

(INEGI, 2001)

Se generó un mapa de distancia a predios

agrícolas que aparecen en la cartografía de

1985, mediante operadores de contexto espacial.

Distancia a

carreteras

DCA Mapa digital de

Carreteras y publicado

en la cartografía de

INEGI, actualizado

mediante

fotointepretación



Distancia

caminos de

terraceria

Dbr Mapa de caminos de

terracería generado en

este trabajo

(fotointerpretación)



Distancia a

localidades

DLoc Mapa de Localidades,

obtenido del XII Censo

General de Población y

Vivienda (INEGI,

2010).



Distancia a

pozos.

DRepd

a

Mapa ubicación de

pozos de extracción de

agua subterránea

(Registro Público de los

Derechos de Agua

2015).



Tenencia de la

Tierra

Te Mapa de tenencia de la

tierra (Registro Agrario

Nacional, 2012).

Se reclasificó la tenencia de la tierra en

propiedad federal (1), ejidal (2) y privada (3).

Marginación

1995

Marg Mapa de Índice de

Marginación,1995

(CONABIO,2001)

Se generó un mapa de superficies de

marginación mediante el método de polígonos

de Thiessen.

Tendencias de

la marginación

(1995-2010)

CMarg

Se generó un mapa de

índice marginación con

los estadísticos a nivel

localidad

correspondientes al año

2010. (CONABIO,

2012).

Este mapa resulta de restar mediante algebra de

mapas, el mapa de marginación 2010, al mapa

de marginación correspondiente a 1995.







Los autores

www.geo-focus.org

117

Las variables anteriores se generaron en el trabajo mediante fotointerpretación en

imágenes de alta resolución, o bien se obtuvieron de cartografía publicada. Por lo que se refiere

a variables de tipo biofísico como la aptitud agrológica del suelo y la pendiente del terreno, estas

fueron subdivididas en rangos. La aptitud agrológica por ejemplo, se subdividió en cuatro

categorías, considerando los atributos texturales y de composición química de los suelos

presentes en el área de estudio (Tabla 2). La pendiente, por su parte, obtenida del Modelo Digital

de Elevación del Terreno provisto en continuo de elevaciones mexicano 3.0 (INEGI, 2012), fue

subdividida en cinco categorías (Tabla 3) según las referencias de Priego et al (2008), quien

divide la pendiente en función de su aptitud para el desarrollo de las actividades agropecuarias.

Tabla 2. Superficie de las clases de aptitud agrológica del suelo.

Categoría

de Aptitud

Tipo de Suelo Superficie ha %

Muy Baja Litosol 109 402.3 8.1

Baja Luvisol,

Cambisol 59 511.9 4.4

Media

Regosol,

Planosol,

Vertisol

Xerosol

482 026.2 35.9

Alta Feozem 693 045.5 51.6

(Fuente: elaboración propia, con base en la reclasificación de la cartografía de suelos de INEGI, 2007)

Tabla 3. Superficie de las distintas clases de pendiente en la zona de estudio.

Categoría Grados Superficie

ha %

Muy ligeramente

inclinadas < 3 508 866.6 37.9

Ligeramente

inclinadas 3-5 106 234.0 7.9

Medianamente

inclinadas 5-10 204 849.6 15.2

Fuertemente

inclinadas 10-30 428 696.4 31.9

Muy

Fuertemente

inclinadas

>30 95 349.7 7.1

(Fuente: elaboración propia, a partir de la reclasificación de Modelo Digital de Elevación del Terreno provisto por INEGI, 2013a)

Otras variables de tipo biofísico, como los ríos y escurrimientos se obtuvieron de la

cartografía oficial de INEGI, pero se actualizaron mediante fotointerpretación a escala 1:50,000.

La capa resultante se procesó mediante operadores de contexto espacial para obtener la distancia

euclidiana a cada uno de los segmentos.






Los autores

www.geo-focus.org

118

La representación espacial de las variables biofísicas empleadas en la regresión se observa en

la Figura 2.

Figura 2. Insumos de carácter biofísico utilizados en la regresión logística: a) Aptitud agrológica del

suelo, b) Pendiente del terreno, c) Distancia a arroyos y escurrimientos superficiales. (Fuente:

elaboración propia)

Por lo que respecta a variables de tipo socioeconómico, estas también se actualizaron o derivaron

de información publicada, y se procesaron mediante operadores de contexto espacial (cálculo de

distancias euclidianas), o bien se reclasificaron en rangos. En el primer caso pueden mencionarse

las capas de carreteras y terracerías, polígonos agrícolas, localidades y pozos de extracción de

agua subterránea; mientras que en el segundo caso se incluyen capas como tenencia de la tierra,

marginación en el año de 1995, y cambios en la marginación durante el periodo 1995-2010. Las

capas de Carreteras y caminos de terracerías, inicialmente en formato vectorial (4216685.2 y 1,

089,537.5 m lineales respectivamente), se obtuvieron de la cartografía de INEGI, pero se

actualizaron mediante fotointerpretación y digitalización manual en un mosaico de ortofotos

aéreas e imágenes Landsat correspondientes al periodo de análisis. A su vez, el mapa de

polígonos agrícolas se obtuvo de aislar o seleccionar los 226 polígonos agrícolas de riego o

temporal (332183.9 ha), que aparecen en la cartografía correspondiente a 1985.

Las localidades se generaron de un vector de puntos con las coordenadas de los centros de

población urbanos y rurales, censados en el XII censo nacional de población y vivienda (INEGI,

2010). En este caso, a diferencia de lo realizado con el mapa de polígonos agrícolas, sólo se

utilizaron las coordenadas puntuales de cada localidad, pues la región se distingue por la

presencia y dispersión de numerosos caseríos y rancherías pobladas por indígenas Tarahumaras

(Porras, 1999), cuyo tamaño –a menudo integrados por dos o tres viviendas- impidió su mapeo

considerando el criterio de área mínima cartografiable y la escala a la que digitalizaron los mapas

(1:250,000). La zona es habitada por 207,695 habitantes, distribuidos en 1,098 localidades (X a

XII Censos Nacionales de Población y Vivienda, INEGI 1990, 2000 y 2010), pero solo cinco de

estas (0.5 % del total de localidades) poseen población por arriba de 2500 personas. De hecho

una sola localidad del área de estudio, Ciudad Cuauhtémoc (114,007 habitantes), concentra a

más del 50 % de la población total. Cabe decir en este sentido, que los polígonos de las

localidades solo se consideraron en el cálculo de coberturas y en el análisis de cambios, pero no

en el cálculo de distancias.






Los autores

www.geo-focus.org

119

También los pozos agrícolas de extracción de agua subterránea se representaron mediante

un mapa de distancia. Los pozos facilitan la conversión de los usos del suelo, de forestal a

agropecuario, pues permiten irrigar nuevas tierras agrícolas, o la disponibilidad de agua para

ranchos ganaderos. Las coordenadas de los pozos corresponden a 4360 concesiones de

aprovechamiento de aguas nacionales existentes en el registro público de derechos de agua

(REPDA, CONAGUA, 2015). Del total de pozos de extracción, el 62.8 % de los pozos

concesionados se destina exclusivamente al uso agrícola (2378 pozos), aunque es usual que los

pozos restantes se utilicen para fines agropecuarios de forma intermitente. Esta razón justificó el

cálculo de distancias a todos ellos.

Por lo que refiere a capas de información ordenadas en rangos o clases, se incluyeron la

tenencia de la tierra, la marginación en el año 1995 y sus cambios en el periodo 1995-2010. En

relación a tenencia de la tierra, distintos autores han mencionado la importancia de esta variable

en la degradación de la cubierta vegetal, favoreciendo o evitando este proceso. En el caso de este

trabajo, su mapa se obtuvo, del registro agrario nacional (RAN, 2012), y de un mapa de la

propiedad de la tierra correspondiente al estado de Chihuahua digitalizado durante el desarrollo

de este ejercicio a una escala de 1:100,000, con un error cartográfico máximo de 89 metros. La

tenencia fue reclasificada en tres grandes categorías: 1) Propiedad ejidal que incluye terrenos

ejidales (De propiedad social), 2) Propiedad privada, que incluye propiedad individual, y 3)

Propiedad nacional, que se refiere básicamente a cuerpos de agua superficial, que en las leyes

mexicanas pertenecen al Estado. Propiedad ejidal y propiedad privada se localizan en toda la

región, pero la propiedad ejidal es frecuente hacia el oeste de la zona de estudio, donde existen

la orografía más accidentada y las masas forestales más grandes de los cuatro municipios. La

propiedad privada por el contrario, es muy frecuente hacia el este, donde las pendientes son más

suaves, y hay mejores condiciones para la explotación agropecuaria del terreno. Las cantidades

totales y proporciones se observan en la Tabla 4.

Tabla 4. Cobertura por tipo de propiedad de la tierra en la zona de estudio.

Tipo de

propiedad

Cobertura

(ha) Porcentaje

Ejidal 603 973.3 45.3

Privada 730 611.6 54.7

TOTAL 1 334 584.9 100

(Fuente: elaboración propia, con base en los registros de RAN, 2012)

La representación espacial de las variables socioeconómicas a) Distancia a polígonos

agrícolas de 1985, b) Distancia a carreteras, c) Distancia a caminos de terracería, d) Distancia a

localidades, e) Distancia a pozos de extracción de agua subterránea, f) Tenencia de la tierra se

observa en la Figura 3.






Los autores

www.geo-focus.org

120

Figura 3. Variables socioeconómicas explicativas: a) Distancia a polígonos agrícolas de 1985, b) Distancia a carreteras, c) Distancia a caminos de terracería, d) Distancia a localidades, e)

Distancia a pozos de extracción de agua subterránea, f) Tenencia de la tierra. (Fuente: elaboración propia)

Las dos capas restantes incluidas en el trabajo fueron marginación en el año de 1995 y los

cambios en la marginación durante el periodo 1995-2010. Ambas representan espacialmente un

indicador que mide la pobreza de forma multidimensional (en ingreso, educación y salud), que

se ha relacionado previamente, con procesos de deforestación en el país (Morales-Barquero,

2015 y Pineda Jaimes et al., 2009). Aunque existe un desfase de 10 años respecto a la

cartografía más antigua empleada en este trabajo, se incluyó la marginación de 1995 porque las

mediciones de marginación en México iniciaron en ese año (CONABIO, 2001), y su

importancia ha sido descrita por autores previos. Para la construcción del mapa de cambios,

también se incluyó la medición más reciente correspondiente al año de 2010 (CONABIO,

2012). En las mediciones de 1995 y 2010, se determinó la marginación en 501 y 490

localidades de la zona de estudio (respectivamente), y sus resultados se integraron en este

trabajo mediante la generación de superficies discretas obtenidas con el método de polígonos de

Thiessen. Este método, que se ha utilizado con éxito en la geografía humana (Mu, 2009),

permitió obtener las superficies de marginación para cada año (Tabla 5).






Los autores

www.geo-focus.org

121

Tabla 5. Áreas observadas por grado de marginación en la zona de estudio en 1995.

Marginación Área (ha)

1995

Porcentaje

1995

Área (ha)

2010

Porcentaje

2010

Muy Baja 136 963.4 10.2 278 098.3 20.7

Baja 292 541.8 21.8 207 474.7 15.4

Media 310 622.9 23.1 288 276.7 21.4

Alta 178 920.6 13.3 352 993.1 26.3

Muy Alta 424 947.7 31.6 217 152.3 16.2

(Fuente: elaboración propia, con base en los datos de CONABIO, 2001)

Con las capas de marginación correspondientes a 1995 y 2010, se realizó una operación

de álgebra de mapas, a fin de obtener el comportamiento de esta variable entre ambos cortes

temporales (Tabla 6):

Tabla 6. Clases de cambios en la categoría marginación durante el periodo 1995-2010.

Clase Cambios durante el periodo Superficie

(ha)

Porcentaje

1 Incremento de la marginación en 4

categorías.

458.7 0.03


categorías.

13 255.6 1.0


categorías.

33 863.3 2.5


categoría.

167 169.7 12.4

5 Marginación sin cambios en el periodo 592 626.2 44.1

6 Reducción de la marginación en 1

categoría.

415 799.3 31.0


categorías.

73 589.6 5.5


categorías.

36 695.1 2.7


categorías.

10 538.9 0.8

(Fuente: elaboración propia

La distribución espacial de la marginación en los años 1995 y 2010, así como el cambio

de esta variable en el periodo de análisis, se aprecia en la figura 4.






Los autores

www.geo-focus.org

122

Figura 4. Marginación en 1995, 2010 y cambios en el mismo periodo.

(Fuente: elaboración propia, a partir de los datos de CONABIO, 2001 y 2012)

2.4 Referentes teórico-estadísticos del método.

En este trabajo se asume que la probabilidad de cambio de una celda correspondiente a

cobertura forestal, a la clase degradado-deforestado, es función de los valores que toman las

variables explicativas en la misma celda para cada uno de los mapas. Dicha función se puede

representar mediante una curva logística, y su valor puede ser estimado con la base en la fórmula

propuesta por Eastman (2012):

𝑃 𝑦 = 1 I X =𝑒𝑥𝑝 (𝑏0 + 𝑏𝑋)

1 + 𝐸𝑥𝑝 (𝑏0 + 𝑏𝑋)

En esta ecuación, P es la probabilidad de que la variable dependiente tome el valor de 1, X

son las variables independientes o covariables (X=x1,x2,x3,x4,xn), b0 es la constante del modelo






Los autores

www.geo-focus.org

123

o término independiente, y b representa los valores de las coeficientes a ser estimados para cada

valor de X (B= b1,b2,b3,b4,bn), es decir, los coeficientes asociados a cada una de las variables

predictoras, cuya magnitud es proporcional a la importancia de estas variables independientes

para modelizar el comportamiento de variable de respuesta.

La ecuación anterior es de tipo exponencial, pero es transformada en una respuesta lineal

mediante una transformación Logit, donde:

P= Ln (P/(1-P))

Que toma la forma de la ecuación de regresión lineal, donde Y=b0+bx

En este caso:

Ln (P/(1-P))= b0+b1*x1+b2*x2+b3*x3+bn*xn + error

Con la transformación anterior, la variable de salida crece linealmente conforme crece x

(Rogerson, 2010). Asimismo, se vuelve una variable continua, teniendo valores que se ubican

entre 0 y 1. En el caso de este trabajo, dichos valores expresan la probabilidad del pixel a ser

degradado-deforestado, y por lo tanto permiten identificar áreas con mayor susceptibilidad a

sufrir este evento. Donde se observa cero la probabilidad de ser degradado-deforestado es nula, y

donde se observa 1, este proceso ya ocurrió.

2.5 Contraste de bondad de ajuste del modelo de regresión logística.

Posterior a la generación del modelo, se realizó una validación para evaluar su efectividad

en la predicción de la ocurrencia de áreas degradadas-deforestadas. Esta validación incluye la

determinación del valor de pseudo-R2 de McFadden, que es un indicador de la bondad de ajuste

del modelo, aunque a diferencia del valor de R2 (coeficiente de determinación) en una regresión

lineal convencional, no da una idea de la dispersión de los datos alrededor de la recta de

regresión.

Pseudo-R2 de McFadden no se calcula ni se entiende como R

2 en una regresión lineal

convencional. En una RLM se requieren valores de R2 muy cercanos a 1 para decir que hubo

buen ajuste, y buena capacidad predictiva (Rogerson, 2010), pero en el caso de pseudo-R2 de

McFadden, generalmente se esperan valores bajos. Esto es así, porque la variable de respuesta

con la que se construye el modelo tiene un comportamiento binario o dicotómico. Debido a esto,

se asume que un buen modelo de regresión logística arroja valores de pseudo-R2 de McFadden

mayores a 0.2 (Clark y Hosking, 1986; Wilson, Newton, Echeverría, Weston, & Burgman,

2005).

En el caso de este trabajo, el valor obtenido de pseudo-R2 de McFadden fue el primer

criterio de validación, pero adicionalmente se compararon las predicciones espaciales de áreas

deforestadas, con los valores reales de ocurrencia espacial de las celdas deforestadas. Esta

comparación se realizó mediante la curva ROC (Receiver Operating Characteristic), que compara

la tasa de clasificaciones correctas respecto al total predicho, y observa los intervalos de acierto

como criterio de calidad del modelo generado. De acuerdo a los referentes de Hall & Hyndam

(2003), y Hall, Hydam y Fan (2004), si el valor de ROC se ubica entre 0.97 y 1, el modelo ajusta

de forma excelente; si se encuentra entre 0.97 y 0.90 tiene muy buen ajuste, si arroja 0.90 y 0.75






Los autores

www.geo-focus.org

124

presenta un buen ajuste, mientras que presenta un ajuste regular si obtiene entre 0.75 y 0.60. En

el caso extremo, se observa un mal juste del modelo cuando este presenta valores inferiores a

0.60.

2.6. Significancia de los coeficientes de cada co-variable.

Se determinó la significancia de los coeficientes correspondientes a cada variable,

generados en la RLO, con un análisis de contrastes condicionales de razón de verosimilitud. Este

análisis contrasta un modelo completo que incluye a todas las variables, con modelos parciales

que se obtienen al eliminar de forma aislada cada una de las covariables que integran el modelo

completo. En cada eliminación, la ausencia de significación muestra que el modelo sin la

covariable de X correspondiente no empeora respecto al modelo completo, y permite suponer

que es irrelevante para la ocurrencia de la variable Y. Tomando en cuenta el principio de

parsimonia (Occam´s razor), el modelo resultante final fue aquel donde se eliminan las variables

que no aportan nada al modelo.

El estadístico de razón de verosimilitudes se obtiene con la fórmula

ERV=-2logL0--2log(likelihood).

En esta ecuación, 2log(L0) es el valor de la función de verosimilitud si todos los

coeficientes excepto el valor de intercepción valen 0, mientras que -2log (Likelihood) es el valor

de la función de verosimilitud para el modelo completo (Eastman, 2012). ERV tiene una

distribución Chi cuadrada, y permite contrastar la hipótesis nula de que los coeficientes

individuales de las variables explicativas, excepto el valor b de intercepción son iguales a cero, lo

que indicaría que dichas variables no son relevantes para predecir el fenómeno modelado. Puesto

que ERV sigue una distribución Chi cuadrada, se rechaza la hipótesis nula si dicho valor es

mayor que un valor de Chi cuadrada obtenido en tablas, al nivel de significancia elegido (P <

0.05) con los grados de libertad de la muestra, que se contabilizan como el número de variables

explicativas a incluir. En este caso el número de grados de libertad fue 11, porque se incluyeron

11 variables explicativas.

Cabe decir que el método empleado en este trabajo para determinar las variables

explicativas a incluir, se apega a la lógica del procedimiento de selección por pasos (stepwise)

hacia atrás (backward), empleado con frecuencia en distintos paquetes estadísticos durante el

procedimiento de regresión. En este caso, al igual que en stepwise backward, se incluyen todas

las variables independientes en un primer ensayo, y posteriormente se procede a eliminar

aquellas variables que siendo excluidas en los modelos parciales de regresión, no son

significantes en el modelo completo. La diferencia más importante entre ambos procedimientos

radica en el estadístico de prueba: Chi cuadrada en el análisis de contrastes condicionales

(Eastman, 2012), y el estadístico F en stpewise backward (Pardo y Ruíz, 2002).

3. Resultados y Discusión.

3.1. Cambios de cobertura durante el periodo de medición (1985-2013).

Se observaron diez clases de cubierta vegetal y uso del suelo en el área de estudio (Figura

5).






Los autores

www.geo-focus.org

125

Figura 5. Usos del Suelo y Vegetación en el área de estudio. (Fuente: elaboración

propia, con la información de Uso del Suelo y Vegetación de INEGI Series I y V.

* Coberturas compuestas por vegetación primaria, aunque pueden tener de forma

marginal elementos de vegetación secundaria)

Los cambios anteriores, contabilizados de forma neta por cobertura, revelan que las coberturas naturales han perdido importantes superficies, mientras que las coberturas antropogénicas han experimentado una ganancia considerable (Tabla 7).

Tabla 7. Cambio neto entre categorías en el periodo 1985-2013.

Categoría Área en 1985 (ha) Área en 2013

(ha)

Cambio neto (ha)

Bosque* 830,597.8 695,682.2 -134,915.6

Matorral Xerófilo* 1,280.5 396.1 -884.4

Pastizal Natural* 94,554.4 69,499.6 -25,054.8

Selva Baja Caducifolia* 18,581.1 17,078.9 -1,502.2

Cuerpo de Agua 10,368.8 11,013.7 644.9

Sin Vegetación 109.5 876.7 767.2

Agricultura 329,159.7 378,082.1 48,922.8

Asentamiento Humano 4,732.7 18,307 13,574.3

Pastizal Inducido 54,602.2 45,423.5 -9,178.7

Sólo vegetación

secundaria

No se reporta como

clase 107,626.5

107,626.5 (Fuente: elaboración propia con los datos de los inventarios I y V de uso del suelo y vegetación de

INEGI. *Se trata de clases con vegetación primaria dominante, aunque pueden tener elementos de vegetación secundaria marginal.)

Destaca la pérdida o degradación severa experimentada por la clase bosque, de más de 134,915.6 ha; le sigue en importancia la clase pastizal natural, que ha perdido o degradado 25,054.8 ha. Por lo que se refiere a las clases antropogénicas, la clase agricultura ha ganado una






Los autores

www.geo-focus.org

126

superficie considerable (48,922.8 ha), pero la clase que más ha incrementado corresponde a sólo vegetación secundaria, probablemente por la degradación severa de las coberturas primarias naturales, que estaban en buen estado de conservación hacia 1985. Todos estos cambios, agrupados en las grandes categorías Natural y Antropogénico, revelan cambios netos importantes de una categoría a otra durante el periodo de referencia (Tabla 8 y Figura 6).

Tabla 8. Cambio Neto en las categorías Natural y Antropogénico en los años de referencia.

Clase Categoría Superficie (ha) 1985 Superficie (ha) 2013

Bosque*

Natural 955 382.6

793 670.5

Matorral Xerófilo*

Pastizal Natural*

Selva Baja Caducifolia*

Cuerpo de Agua

Agricultura

Antropogénico 388 603.7

550 315.8

Asentamiento Humano

Pastizal Inducido

Vegetación secundaria

Sin Vegetación (Fuente: elaboración propia, las áreas se obtuvieron a partir de la cartografía de Uso del Suelo y

Vegetación de INEGI, Inventarios 1 y V. * Vegetación primaria dominante, que presenta vegetación

secundaria marginal)

Figura 6. Cambios de cubierta vegetal y uso del suelo observados en la zona de estudio. (Fuente: elaboración propia, con la información de Uso del Suelo y Vegetación de INEGI, Series I y V)






Los autores

www.geo-focus.org

127

Las transiciones entre las clases Natural-Antropogénico se aprecian más claramente en la

matriz de tabulación cruzada (Tabla 9). Esta matriz consiste en una tabla de doble entrada, que

muestra al final de cada columna la superficie de las clases natural y antropogénico en 1985, y al

final de cada renglón las superficies en 2013 (Pontius et al., 2004:252). En la diagonal que va de

la esquina superior izquierda a la esquina inferior derecha, se representan las superficies por cada

categoría que permanecieron sin modificación de cobertura, mientras que los valores fuera de

esta diagonal representan los cambios de cobertura entre 1985 y 2013: pérdidas de la clase que

pasaron a otras categorías si están en las columnas, o ganancias de la clase, provenientes de otras

categorías, si están en los renglones.

Tabla 9. Matriz de Tabulación Cruzada para el periodo de referencia en la zona de estudio.

Natural

(ha)

Antropogénico

(ha)

Total 2013

(ha)

Natural 773,065.6 20,604.6 793,670.5

Antropogénico 182,317 367,998.8 550,315.8

Total 1985

(ha)

955,382.6

388,603.4

1,384,497.4

(Fuente: elaboración propia, con la información reclasificada de Uso del Suelo y Vegetación de INEGI,

Series I y V; Los decimales en la sumatoria final pueden no corresponder por el redondeo)

Para entender mejor la dinámica espacio-temporal anterior, se ejemplificará con la

cobertura natural. Esta tuvo 955 382.6 ha en el año 1985 (final de la columna natural), mientras

que presentó 793 670.5 ha en el año 2013 (final del renglón natural). Durante este periodo, solo

se conservaron 773 065.6 ha (intersección columna renglón natural), mientras que se perdieron

182 317 ha en el mismo lapso de tiempo. Esta superficie, compuesta básicamente de vegetación

primaria con poca evidencia de disturbio, se degradó severamente o deforestó, sumándose a las

coberturas antropizadas existentes al año 2013. Por otro lado, la cobertura natural ganó 20 604.6

ha de áreas con cubierta antropogénica que probablemente se abandonaron, y se regeneraron por

efecto de la sucesión ecológica. Por lo que se refiere a la clase antropogénico, esta presentó

388 603 ha en 1985, y 550 315.8 ha en 2013. De estas últimas, la superficie que se conservó sin

cambios de un año a otro fue de 367 998.8, mientras que 182 317 ha es la superficie que se

añadió a la clase por deforestación de la cobertura natural. Asimismo, como se indicó

previamente, esta clase con cobertura antropogénica perdió 20 604.6 ha, de áreas que

probablemente se abandonaron, y se regeneraron por efecto de la sucesión ecológica, pasando a

la clase natural.

3.2. Resultados de la Regresión Logística.

Con las variables descritas en la sección anterior, se realizó el ensayo de regresión

logística. Los resultados de regresión obtenidos mostraron que es posible predecir con precisión

la distribución de superficies susceptibles de deforestación en el área de estudio. El valor de

Pseudo R2 resultante de regresar los procesos de deforestación contra las variables explicativas

fue de 0.24, que es muy aceptable de acuerdo a los parámetros del método.






Los autores

www.geo-focus.org

128

Vale notar que a diferencia de lo esperado en una regresión lineal convencional, donde R2

o el coeficiente de determinación debe tener valores cercanos a 1 para que la regresión tenga un

elevado poder predictivo (Rogerson, 2010), en el caso de Pseudo R2 de McFadden se esperan

valores bajos, porque la variable de respuesta con la que se construye el modelo tiene un

comportamiento binario o dicotómico. Por esta razón se asume que un buen modelo de

regresión logística arroja valores de Pseudo R2 de McFadden mayores a 0.2 (Clark y Hosking,

1986; Wilson, Newton, Echeverría, Weston, & Burgman, 2005), por lo que puede decirse que el

valor alcanzado en este ejercicio fue bastante bueno (Pseudo R2 de 0.24). Este sugiere que el

modelo generado permite predecir con un nivel aceptable las áreas susceptibles de ser

deforestadas.

Por lo que respecta al estadístico de razón de verosimilitudes (ERV=-2logL0--2log

(likelihood), este arrojó un valor de Chi cuadrado de 1 496 402.7, superando ampliamente el

valor de Chi2 de tablas al 0.05 de significancia para 11 grados de libertad (once variables

explicativas), que fue de 19 675. Dicho resultado indica que todas las variables explicativas

incluidas en el trabajo contribuyen a explicar los procesos de degradación-deforestación en la

zona de estudio, aunque por el valor obtenido en los coeficientes, cuatro de estas variables

(tenencia de la tierra, marginación, cambio en la marginación, aptitud agrológica del suelo y

pendiente), representan los factores de mayor importancia para predecir las áreas susceptibles de

ser degradadas-deforestadas. Las siete variables restantes fueron significantes en términos

matemáticos, pero con un peso tan pequeño, que casi son irrelevantes (Tabla 10).

Tabla 10. Coeficientes obtenidos para cada variable.

Variable Coeficiente Valor

estandarizado

No aplica Constante -5.60

Tenencia de la tierra Te 0.45

Marginación en el año

1995 Marg95 0.28

Cambios de la

marginación 1995-2010 CMarg95-2010 0.21

Aptitud agrológica del

suelo CEd 0.18

Pendiente Pe 0.13

Distancia a polígonos

agrícolas DPA 0.00

Distancia a carreteras DCa - 0.00*

Distancia a caminos de

terracería DBr 0.00*

Distancia a localidades DLoc 0.00*

Distancia a pozos de

extracción de agua

subterránea

DRepda - 0.00*

Distancia escurrimientos DEsc 0.00*

* Se refiere a valores muy pequeños del coeficiente, de hasta cinco ceros a la derecha del punto, significantes en términos matemáticos de acuerdo al método, pero irrelevantes al proceso.






Los autores

www.geo-focus.org

129

En la tabla anterior, los parámetros estandarizados muestran que las variables que tienen

un peso mayor para predecir las superficies susceptibles de degradación-deforestación son

Tenencia de la tierra (0.45), marginación en el año 1995 (0.28), cambios de marginación en el

periodo 95-2010 (0.21), aptitud agrológica del suelo (0.18) y pendiente (0.13). El resto de las

otras variables tuvo un peso significativamente menor (hasta cinco ceros a la derecha del punto),

lo que sugiere que no son determinantes. En relación a esto, para entender la relación que se

observa entre cada variable explicativa y la degradación- deforestación, es necesario recordar

que un coeficiente positivo indica una relación positiva entre la variable explicativa y la variable

predicha, es decir, que los valores de la segunda crecen al tiempo que ocurre lo mismo con los

valores de la primera; mientras que un coeficiente negativo indica que la variable predicha

decrece, mientras que la variable explicativa aumenta.

Con base en lo anterior, si se observa la relación entre áreas degradadas-deforestadas y

tenencia de la tierra (Te), la probabilidad de degradación-deforestación tiende a ser mayor en

áreas de propiedad privada respecto a las áreas de propiedad social en el periodo evaluado. Este

tipo de relación positiva igualmente se observa frente a las variables Marginación en el año

1995 (Marg95) y cambios en la marginación durante el periodo 1995-2010 (CMarg95-2010); lo

que muestra que en la medida que la marginación se incrementa, la probabilidad de

degradación-deforestación también se incrementa. La relación positiva también aparece frente a

la aptitud agrológica del suelo (Ced), lo que sugiere mayor probabilidad de degradación-

deforestación en zonas donde el suelo presenta condiciones relativamente apropiadas para el

desarrollo de cultivos agrícolas. Finalmente cabe señalar la relación que se observa con la

variable pendiente del terreno (Pe), pues en la medida que la pendiente muestra valores más

pronunciados se observa una relación positiva con la probabilidad de degradación-

deforestación, lo que probablemente se vincula con el hecho de que las actividades causantes de

este proceso (agricultura, apertura de pastizales ganaderos, extracción forestal, etc.) se

desarrollan en áreas con condiciones físicas, básicamente pendiente, cada vez menos idóneas. Si

esto ocurre, es de esperarse que el impacto ambiental del proceso de degradación-deforestación

se amplifique, pues la pérdida de cubierta vegetal en áreas de elevada pendiente, significará

además de la pérdida en biodiversidad, mayor probabilidad de erosión y la pérdida de suelo.

La distribución espacial de la probabilidad de deforestación se muestra en la figura 7. En

la literatura se indica que valores de probabilidad superiores a 0.5 en la técnica de RLO pueden

considerarse como altas probabilidades (Zheng & Fan, 2015). Este umbral sugiere que en la

zona son pocas las áreas susceptibles de ser deforestadas, ubicándose la mayor parte del área de

estudio, en un umbral de bajo riesgo. No obstante eso, debe decirse que el riesgo puede

modificarse si se modifican las condiciones socioeconómicas prevalecientes al momento de

hacer este estudio. Cambios en el índice de marginación en los años subsecuentes, por ejemplo,

podrían modificar el mapa, y poner en riesgo zonas que no se han detectado al momento de

realizar este ejercicio. En el mismo sentido, factores no contemplados en este trabajo, como

variaciones en el precio de los productos agrícolas, políticas gubernamentales de subsidio a la

producción agropecuaria (Klepeis & Vance, 2003), o incluso la actuación de las bandas

dedicadas al narcotráfico y otros ilícitos, pueden cambiar la localización espacial de las áreas

susceptibles a degradarse-deforestarse. Dichas posibilidades obligan al monitoreo constante de

este fenómeno, pues probablemente el tipo de interacción entre las variables explicativas y la

degradación se modifique, modificando también el signo y la magnitud de los coeficientes.






Los autores

www.geo-focus.org

130

Figura 7. Probabilidad de degradación-deforestación en el área de estudio.


Por lo que se refiere al ajuste entre las predicciones y la realidad, ROC tuvo un valor de

0.85, que indica un buen ajuste entre ambas variables, indicando que las áreas predichas por el

modelo de regresión superan ampliamente los resultados que se habrían generado sólo por

efecto del azar. Estos valores respaldan el coeficiente de Pseudo R2 obtenido, e indican que la

predicción es confiable. De acuerdo a ella, es posible identificar donde hay más probabilidad de

degradación-deforestación, dispersándose estas zonas en toda el área de estudio, pero

predominando en el centro de la misma y en áreas muy localizadas al norte y al este. Se trata

básicamente de áreas donde se observa una orografía accidentada, con frecuencia un elevado

aislamiento de localidades, y un conjunto de condiciones físicas que favorecen la pérdida o

degradación de la cubierta vegetal. Las condiciones socioeconómicas prevalecientes, en

conjunto con los factores físicos, propician los cambios de cubierta vegetal y uso de suelo, de

forestal a no forestal observados en este trabajo.

Los resultados obtenidos coinciden parcialmente con otros autores que han abordado el

estudio de la deforestación en México mediante técnicas de regresión logística o multivariante

(Morales-Barquero et al., 2015 y Pineda Jaimes et al., 2009), quienes han encontrado que son

los factores socio-demográficos quienes parecen contribuir con más fuerza a este proceso.

Morales-Barquero et al (2015), por ejemplo, en su estudio de la deforestación en una cuenca del

occidente de México cubierta por bosque tropical seco, encontró que las variables marginación

y proporción de área de bosque respecto al tamaño de la población, fueron los factores de mayor

peso para explicar la pérdida. Por lo que respecta al estudio de Pineda Jaimes et al. (2009), en su






Los autores

www.geo-focus.org

131

exploración de la pérdida de Bosques en el Estado de México, este encuentra que es el grado de

analfabetismo (una variable muy relacionada con marginación), el factor que parece contribuir

más a la disminución de la cobertura de bosques en su zona de estudio.

Los resultados también coinciden, aunque en menor medida, con los hallazgos del estudio

de Paulina-Osorio et al., (2015), donde se analiza la deforestación en una cuenca del estado de

Guerrero, en el sur de México. Los autores establecieron que factores como la altitud, distancia

a carreteras y distancia a localidades parecían tener mayor importancia en el proceso de pérdida

de bosques, observando en este caso, un peso menor para factores estrictamente

sociodemográficos. También coinciden parcialmente con el trabajo de López-Barrera, Manson,

& Landgrave (2014), desarrollado en el estado de Veracruz, por la costa atlántica de México.

Estos autores encuentran mayor probabilidad de deforestación en áreas cercanas a polígonos de

uso pecuario, pero en zonas con baja pendiente, y cercanas también a infraestructura hidráulica,

que podría facilitar la irrigación agrícola.

En particular la relación existente entre tenencia de la tierra y degradación/deforestación,

que obtuvo el valor de coeficiente más alto, contrasta con lo observado en otras regiones de

México, donde son otros tipos de tenencia los que parecen asociarse más con la pérdida de

cubierta vegetal. Los vínculos entre tenencia de la tierra y deforestación en este país han sido

objeto de un fuerte debate, pues hay autores que mencionan a la propiedad ejidal como el tipo

de tenencia más vinculado a la deforestación (Bonilla-Moheno et al., 2013) -lo que es contrario

a nuestros hallazgos- mientras que otros indican que la tenencia ejidal sólo favorece la

deforestación cuando las tierras ejidales son privatizadas (DiGiano, Ellis, & Keys, 2013). Aún

no hay un hallazgo concluyente, y faltan estudios más específicos sobre la relación de esta

variable con la degradación y pérdida de cubierta vegetal (Skutsch et al., 2014).

Existen estudios que indican que las condiciones socioeconómicas, e incluso los rasgos

socio-culturales de los habitantes pueden jugar un papel prominente en la conservación de los

recursos naturales, pues subyacen a las reglas de manejo de recursos que son de propiedad

común (Ceddia, Gunter, & Corriveau-Bourque, 2015). En la zona de estudio por ejemplo, las

áreas de propiedad ejidal se caracterizan por una importante proporción de población indígena,

de la etnia Tarahumara, que posee una relación de ética con la naturaleza distinta a la observada

entre la población mestiza, predominante en las áreas de propiedad privada en la región. En

Latinoamérica se ha encontrado que la población indígena observa en general una lógica de no

acumulación de riqueza, que puede llevarlos, si los factores institucionales lo favorecen, a

realizar un manejo más sustentable de sus recursos forestales (Ceddia, Gunter, & Corriveau-

Bourque, 2015). Así, aunque la población Tarahumara de la región usualmente padece

condiciones severas de pobreza y marginación (Messer, 2013), su presencia representa una

fortaleza para la conservación de las masas forestales.

Por lo que se refiere al vínculo entre marginación y degradación-deforestación de

cubiertas forestales, un enfoque reduccionista del problema llevaría a pensar que hay una

relación inequívoca entre pobreza y degradación de los recursos naturales. Se trata de un

supuesto que ya se ha debatido en la literatura académica (Daregot et al., 2015), pero hay

opiniones divergentes respecto a la relación que existe entre dicha variable y la perdida de

cobertura vegetal (Aggrey et al., 2010). Sin descartar que la pobreza ha sido una fuerza motriz

del deterioro ambiental en otros escenarios geográficos (Ravnborg, 2003), y que podría serlo

aquí, en la zona debe reconocerse que existen bandas delincuenciales que han obligado, bajo la






Los autores

www.geo-focus.org

132

ley de plata o plomo, la deforestación de predios entre los propietarios ejidales o privados. En

esta dinámica, los delincuentes aparentemente se aprovechan de la indefensión legal en la que se

encuentran las localidades más marginadas, revelando con ello que los vínculos entre pobreza y

degradación no son lineales ni directos. Dichos vínculos también se generan por la ausencia de

autoridad y las debilidades socio-institucionales ligados a una situación de pobreza, que

favorecen la impunidad de los delincuentes, y el atropello de los propietarios del bosque, por

su carencia de medios materiales y legales para defenderse. Este factor podría tener mucho peso

en la degradación-deforestación de la cubierta vegetal, pero debe explorarse con métodos

complementarios a los empleados en este trabajo. Se requiere trabajo de campo desde una

perspectiva sociológica o antropológica, para entender mejor el fenómeno.

Lo anterior también cobra vigencia en virtud del desfase observado entre los datos de

marginación empleados en este trabajo, y las fechas correspondientes a la cartografía más

antigua. En este ejercicio se utilizó la medición de marginación correspondiente al año de 1995,

y en un sentido estricto, las condiciones de marginación en 1985 pudieron ser distintas a las

condiciones una década después. Este desfase puede ser importante a la hora de interpretar los

resultados, pero se ignora en que magnitud porque no hay datos para respaldarlo. Se sabe que la

marginación juega un papel importante en los procesos de deforestación en México (Morales-

Barquero, 2015 y Pineda Jaimes et al., 2009), pero establecer con claridad qué importancia tenía

en la década de los 80´s en Chihuahua, requiere un acercamiento distinto al implementado en

este trabajo. Precisa la revisión de estadísticas, censos de la época, etc., a fin de reconstruir en la

medida de lo posible, la interacción entre esta variable y el proceso de deforestación. Dicho

acercamiento deberá desarrollarse por especialistas en el área, con el propósito de esclarecer la

relación precisa de esta variable y la degradación de cubiertas en la historia del estado. Por lo

pronto, justifica la realización de nuevos ensayos de RLO, con datos socioeconómicos más

actualizados, a efectos de modelar en forma más realista el papel que juegan dichos factores en

la pérdida de cubierta vegetal.

Nuestros hallazgos se suman a los de otros trabajos que ponen en perspectiva la idoneidad

de técnicas como la RLO para modelizar procesos como la deforestación, e identificar las

causas asociadas con este proceso. Esta importancia se ha mencionado en distintos ejercicios de

modelación de cambio de uso del suelo en México (Geoghegan et al., 2001; Mas, Puig, Palacio,

& Sosa-López, 2004; Vance & Geoghegan, 2004); pero la diversidad de resultados fortalece la

idea, de que es necesario modelizar para cada localidad o región particular, pues la importancia

de un factor en una región, no necesariamente es equivalente o similar en otra (Angelsen &

Kaimowitz, 1999). Diferencias en el medio físico, o diferencias en las condiciones de carácter

cultural, o de marginación o desarrollo humano, o incluso factores como subsidios

gubernamentales y precio de productos agrícolas no considerados en este trabajo, pueden tener

un papel muy relevante de una localidad a otra. Con todo, en este caso particular constituyen

hallazgos que pueden orientar el trabajo de otras disciplinas, como la sociología, antropología,

economía, necesarias para comprender el hilado fino que subyace a los vínculos entre factores

socioeconómicos y la degradación o pérdida de las cubiertas forestales.

4. Conclusiones.

Los resultados de regresión obtenidos mostraron que es posible predecir con precisión la

distribución de superficies susceptibles de degradación-deforestación en el área de estudio. El

valor de P-seudo R2 resultante de regresar los procesos de degradación-deforestación contra las

variables explicativas fue de 0.24, que es muy adecuado de acuerdo a los parámetros del






Los autores

www.geo-focus.org

133

método. Apunta en la misma dirección el valor de ROC alcanzado (0.85), pues este indica que

el modelo predice la degradación-deforestación con una precisión muy aceptable, y superior a lo

que se obtendría sólo al azar. Dicho resultado fortalece los hallazgos del trabajo, y corrobora la

validez del modelo obtenido. Este sugiere que las probabilidades más elevadas de degradación-

deforestación se observan hacia el poniente de la zona de estudio, y en zonas muy localizadas

del oriente de la misma. En estas zonas, las condiciones espaciales de las variables explicativas

favorecen el proceso de degradación y pérdida de cubierta vegetal.

Todas las variables empleadas resultaron importantes para modelizar y predecir la

probabilidad de degradación y deforestación de la cubierta vegetal, pero hay algunas que tienen

un peso evidentemente mayor. Destacan por el valor y el signo de los coeficientes variables

como tenencia de la tierra, marginación, cambio en la marginación durante el periodo 1995-

2010, aptitud agrológica del suelo y pendiente. Dichos coeficientes y su signo revelan que la

degradación y deforestación se incrementa en zonas donde predomina la propiedad privada, con

alta marginación, con elevada pendiente y con un suelo relativamente adecuado para el

desarrollo de actividades agrícolas. Como la marginación se relaciona con pobreza, esto sugiere

que la degradación y pérdida de cubierta vegetal ocurre básicamente en zonas deprimidas

económicamente, pero en áreas que presentan condiciones edáficas apropiadas para el desarrollo

de cultivos agrícolas. Adicionalmente, como la degradación-deforestación se acentúa en áreas

de alta pendiente, puede deducirse que los nuevos espacios agrícolas se abren en zonas

marginales para el desarrollo de esta actividad, pues probablemente las áreas con condiciones

fisiográficas más apropiadas, usualmente cercanas a localidades y con accesibilidad debido a la

existencia de caminos, ya se utilizan con este fin desde hace muchos años.

Este modelo cuantifica la importancia de las causas asociadas a la perdida y degradación

de cubierta vegetal, por lo que permite mejorar la regulación ambiental de las actividades que

contribuyen con este proceso, mitigar las causas en áreas que no se han degradado o

deforestado, y proponer soluciones en zonas que ya perdieron su cubierta vegetal. Su utilidad

pone en perspectiva la idoneidad de técnicas como la RLO para modelizar procesos como la

deforestación, e identificar las causas asociadas con este proceso. Facilitan la conservación

ambiental de la cubierta vegetal, pero también permiten orientar el trabajo de otras disciplinas,

como la sociología, la antropología y la economía, necesarias para comprender el hilado fino

que subyace a los vínculos entre factores socioeconómicos y la degradación o pérdida de las

cubiertas forestales.

Con todo, es importante señalar que el fenómeno de la degradación-deforestación en esta

región de México es muy complejo. Nuevas exploraciones deberán realizarse, considerando

factores adicionales no incluidos en esta primera exploración. El papel de los mercados

agrícolas, los subsidios a la producción agropecuaria, el rol específico que juega el narcotráfico,

el papel que puede desempeñar la cultura de los grupos involucrados, etc.; son aspectos que

deben incluirse para entender –y eventualmente predecir- con más precisión la pérdida de

cubierta forestal.

5. Bibliografía.

Aggrey, N., Wambugu, S., Karugia, J., & Wanga, E. (2010): “An Investigation of the

Poverty- Environmental Degradation Nexus: A Case Study of Katonga Basin in Uganda”,

Research Journal of Environmental and Earth Science, 2,2, 82–88.






Los autores

www.geo-focus.org

134

Aguilar, E. S. (2013): Conservación de la cubierta vegetal en el área natural protegida

(ANP) Tutuaca. Evaluación con métodos de clasificación espectral. Tesis Licenciatura en

Geoinformática, Ciudad Juárez, Universidad Autónoma de Ciudad Juárez.

Angelsen, A., & Kaimowitz, D. (1999): “Rethinking the Causes of Deforestation:

Lessons from Economic Models”, The World Bank Research Observer, 14,1, 73–98.

Arekhi, M. (2013): “Modeling spatial pattern of deforestation using GIS and logistic

regression: A case study of northern Ilam forests, Ilam province, Iran”, African Journal of

Biotechnology, 10,72, 16236–16249.

Bonilla-Moheno, M., Redo, D. J., Aide, T. M., Clark, M. L., & Grau, H. R. (2013):

“Vegetation change and land tenure in Mexico: A country-wide analysis”, Land Use Policy,

30,1, 355–364.

Ceddia, M. G., Gunter, U., & Corriveau-Bourque, A. (2015): “Land tenure and

agricultural expansion in Latin America: The role of Indigenous Peoples and local communities

forest rights”, Global Environmental Change, 35, 316–322.

Clark, W.A., and P.L. Hosking, (1986): Statistical Methods for Geographers. New York,

John Wiley & Sons.

CONAGUA, 2015. Registro público de derechos del agua. México D.F. Subdirección de

Información Geográfica del Agua, Comisión Nacional del Agua.

CONABIO, (2001): Grados de marginación a nivel localidad, 1995. México D.F.

Comisión Nacional para el Conocimento y Uso de la Biodiversidad. Disponible en:

http://www.conabio.gob.mx/informacion/gis/

CONABIO, (2012): Grados de marginación a nivel localidad, 2010. México D.F.

Comisión Nacional para el Conocimento y Uso de la Biodiversidad. Disponible en:


Basse, R. M., Omrani, H., Charif, O., Gerber, P., & Bódis, K. (2014): “Land use changes

modelling using advanced methods: Cellular automata and artificial neural networks. The

spatial and explicit representation of land cover dynamics at the cross-border region scale”,

Applied Geography, 53, 160–171.

Daregot, B., Ayalneh, B., Belay, K., & Degnet, A. (2015): “Poverty and Natural

Resources Degradation: Analysis of their Interactions in Lake Tana Basin, Ethiopia”, Journal of

International Development, 27,4, 516–527.

DiGiano, M., Ellis, E., & Keys, E. (2013): “Changing Landscapes for Forest Commons:

Linking Land Tenure with Forest Cover Change Following Mexico’s 1992 Agrarian Counter-

Reforms”, Human Ecology, 41,5, 707–723.

Eastman, J. R. (2012): Idrisi Selva Manual. Boston Ma, Clark University.

Eugenio, F. C., Rosa dos Santos, A., Fiedler, N. C., Ribeiro, G. A., da Silva, A. G.,

Juvanhol, R. S. Schettino V. R., Marcatti G. E., Domingues, G. F., Alves Dos Santos G. MAD,

Pezzopane JEM, Pedra B. D, Banhos A., Martins, L. D. (2016): “GIS applied to location of fires

detection towers in domain area of tropical forest”, Science of The Total Environment, 562,

542–549.

Fagerholm, N., Oteros-Rozas, E., Raymond, C. M., Torralba, M., Moreno, G., &

Plieninger, T. (2016): “Assessing linkages between ecosystem services, land-use and well-being

in an agroforestry landscape using public participation GIS”, Applied Geography, 74, 30–46.

García, E. (1973): Modificaciones al sistema de clasificación climática de Köppen: para

adaptarlo a las condiciones de la República Mexicana. México D.F. Instituto de Geografía,

UNAM.

http://catalogo.uacj.mx/ipac20/ipac.jsp?session=14725U4B5D093.6048&profile=bce&uri=search=TL%7E%21Conservaci%C3%B3n%20de%20la%20cubierta%20vegetal%20en%20el%20%C3%A1rea%20natural%20protegida%20%28ANP%29%20Tutuaca.%20Evaluaci%C3%B3n%20con%20m%C3%A9todos%20de%20clasificaci%C3%B3n%20espectral&term=Conservaci%C3%B3n%20de%20la%20cubierta%20vegetal%20en%20el%20%C3%A1rea%20natural%20protegida%20%28ANP%29%20Tutuaca.%20Evaluaci%C3%B3n%20con%20m%C3%A9todos%20de%20clasificaci%C3%B3n%20espectral%20%5bTesis%5d%20/%20Samuel%20Alberto%20Aguilar%20Estrada.&aspect=subtab23&menu=search&source=%7E%21biblos










Los autores

www.geo-focus.org

135

Geoghegan, J., Villar, S. C., Klepeis, P., Mendoza, P. M., Ogneva-Himmelberger, Y.,

Chowdhury, R. R., Turner, B. L., Vance, C. (2001): “Modeling tropical deforestation in the

southern Yucatán peninsular region: comparing survey and satellite data. Agriculture,

Ecosystems & Environment, 85,1–3, 25–46.

Hall, P. G. & Hyndman, R. J. (2003): “An Improved Method for Bandwidth Selection

When Estimating ROC Curves”, Statistics and Probability Letters 64,2, 181–189.

Hall, P. G., Hyndman, R. J. & Fan, Y. (2004): “Nonparametric Confidence Interval for

Receiver Operating Characteristic Curve”, Biometrika 91,3, 743–750.

Hillerkus, T. (1992): “Economía, Política y Orden Social de los Tarahumaras en la época

prehispánica y colonial”, Estudios de Historia Novohispana, 12, 9–62.

INEGI. (2001). Carta de uso de suelo y vegetación escala 1:250 000, serie I. Datos en

formato vectorial generados por CETENAL para las ortofotos e imágenes de 1985.

Aguascalientes, Aguascalientes.

INEGI. (2007). Carta Edafológica H13-10. ESCALA 1:250,000. Instituto Nacional de

Estadística, Geografía e Informática.

INEGI. (2013a). Continuo de Elevaciones Mexicano 3.0. Aguas Calientes, México.

Instituto Nacional de Estadística, Geografía e Informática. Disponible en:

http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/descarga.aspx

INEGI. (2013b). Conjunto de datos vectoriales de uso de suelo y vegetación escala 1:250

000, serie V (capa unión)', escala: 1:250000. edición: 2a., Aguas Calientes, México. Instituto

Nacional de Estadística, Geografía e Informática. Disponible en:

http://www.inegi.org.mx/geo/contenidos/recnat/usosuelo/Default.aspx

INEGI. (2015): Guía para la interpretación de cartografía de Uso del suelo y vegetación.

Escala 1:250000, Serie V. Aguas Calientes, México. INEGI..

Klepeis, P., & Vance, C. (2003): “Neoliberal Policy and Deforestation in Southeastern

Mexico: An Assessment of the PROCAMPO Program”, Economic Geography, 79(3), 221–240.

Kumar, R., Nandy, S., Agarwal, R., & Kushwaha, S. P. S. (2014): “Forest cover

dynamics analysis and prediction modeling using logistic regression model”, Ecological

Indicators, 45, 444–455.

Lebgue, K. T., Quintana, M.G., y R. Soto, C. (2015): Pinos y Encinos de Chihuahua.

Chihuahua, México. Universidad Autónoma de Chihuahua.

Liénard, J. F., Gravel, D., & Strigul, N. S. (2015): “Data-intensive modeling of forest

dynamics”, Environmental Modelling & Software, 67, 138–148.

Lin, C., Thomson, G., Hung, S.-H., & Lin, Y.-D. (2012): “A GIS-based protocol for the

simulation and evaluation of realistic 3-D thinning scenarios in recreational forest

management”, Journal of Environmental Management, 113, 440–446.

Marín, S. L., Nahuelhual, L., Echeverría, C., & Grant, W. E. (2013): “Projecting

landscape changes in southern Chile: Simulation of human and natural processes driving land

transformation”, Ecological Modelling, 222,15, 2841–2855.

Mas, J. F., Puig, H., Palacio, J. L., & Sosa-López, A. (2004): “Modelling deforestation

using GIS and artificial neural networks”. Environmental Modelling & Software, 19,5, 461–

471.

Messer, S. (2013): “Tackling Maternal Mortality in the Sierra Tarahumara, Mexico: A

Community Based Intervention”, Journal of Obstetric, Gynecologic & Neonatal Nursing, 40,

Supplement 1, S10.

http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/descarga.aspx

http://www.inegi.org.mx/geo/contenidos/recnat/usosuelo/Default.aspx






Los autores

www.geo-focus.org

136

Mertens, B., Kaimowitz, D., Puntodewo, A., Vanclay, J. K., & Mendez, P. (2004):

“Modeling deforestation at distinct geographic scales and time periods in Santa Cruz, Bolivia”

International Regional Science Review, 27(3).

Morales-Barquero, L., Borrego, A., Skutsch, M., Kleinn, C., & Healey, J. R. (2015):

“Identification and quantification of drivers of forest degradation in tropical dry forests: A case

study in Western Mexico”, Land Use Policy, 49, 296–309.

Mu, L. (2009): Thiessen Polygon A2 - Kitchin, Rob. En N. Thrift (Ed.), International

Encyclopedia of Human Geography (pp. 231–236). Oxford. Elsevier.

Pardo M., A., y Ruíz D., M. (2002): SPSS 11: Guía para el análisis de datos. (Segunda

Ed.). México D.F.: McGraw-Hill.

Paulina Osorio, L., Mas, J.-F., Guerra, F., & Maass, M. (2015): “Análisis y modelación

de los procesos de deforestación: un caso de estudio en la cuenca del río Coyuquilla, Guerrero,

México”, Investigaciones Geográficas, Boletín del Instituto de Geografía, 2015,88, 60–74.

Pérez, J. L., Villalobos, M. A., Rosete, F., Navarro, E., Salinas, E. y Remond, R. (2013):

Procesos del cambio de la vegetación y del uso del suelo, 1976-2008. México, D. F, INE-

SEMARNAT.

Pérez-Vega, A., Mas, J.-F., & Ligmann-Zielinska, A. (2012): “Comparing two

approaches to land use/cover change modeling and their implications for the assessment of

biodiversity loss in a deciduous tropical forest”, Environmental Modelling & Software, 29,1,

11–23.

Pineda Jaimes, N. B., Bosque Sendra, J., Gómez Delgado, M., & Plata Rocha, W. (2009):

“Análisis de cambio del uso del suelo en el Estado de México mediante sistemas de información

geográfica y técnicas de regresión multivariantes: Una aproximación a los procesos de

deforestación”, Investigaciones geográficas, 69, 33–52.

Pir, B. M. (2015): “Deforestation modelling using logistic regression and GIS”, Journal

of Forest Science, 61,5, 193–199.

Porras, E. (1999): "La Sierra Tarahumara de Chihuahua (México): una región multiétnica

y pluricultural", Scripta Nova Revista Electrónica de Geografía y Ciencias Sociales., 45,51.

Recuperado a partir de http://www.ub.edu/geocrit/sn-45-51.htm

Pontius, R. G., Shusas, E., & McEachern, M. (2004): “Detecting important categorical

land changes while accounting for persistence”, Agriculture, Ecosystems & Environment, 101,

251–268.

Priego, A., Bocco, G., Mendoza, M., & Garrido, A. (2008): Propuesta para la generación

semiautomatizada de unidades de paisajes. Fundamentos y Métodos. Mexico D.F,

SEMARNAT-INE.

RAN. (2012): Mapa Digital de Tenencia de la Tierra en Chihuahua, Cd. Chihuahua,

Registro Agrario Nacional.

Ravnborg, H. (2003): “Poverty and environmental degradation in the Nicaraguan

Hillsides”, World Development, 31,11, 1933–1946.

Rogerson, P. A. (2010). Statistical Methods for Geography: A Student’s Guide (Third

Edition), London, SAGE Publications Ltd.

Roy, C. (2006): “Landscape change in the Calakmul Biosphere Reserve, Mexico:

Modeling the driving forces of smallholder deforestation in land parcels”, Applied Geography,

26,2,, 129–152.

Rzedowski, J. (1978): Vegetación de México. México D.F., Editorial Limusa.

Semeraro, T., Mastroleo, G., Aretano, R., Facchinetti, G., Zurlini, G., & Petrosillo, I.

(2016): “GIS Fuzzy Expert System for the assessment of ecosystems vulnerability to fire in






Los autores

www.geo-focus.org

137

managing Mediterranean natural protected areas”, Journal of Environmental Management, 168,

94–103.

Serra, P., Pons, X., & Saurí, D. (2008): “Land-cover and land-use change in a

Mediterranean landscape: A spatial analysis of driving forces integrating biophysical and human

factors”, Applied Geography, 28(3), 189–209.

Shalaby, A., & Tateishi, R. (2007): “Remote sensing and GIS for mapping and

monitoring land cover and land-use changes in the Northwestern coastal zone of Egypt”,

Applied Geography, 27,1, 28–41.

Skutsch, M., Mas, J. F., Bocco, G., Bee, B., Cuevas, G., & Gao, Y. (2014):

“Deforestation and land tenure in Mexico: A response to Bonilla-Moheno et al”, Land Use

Policy, 39, 390–396.

Strahler, A. H., & Strahler, A. (2004): Physical Geography: Science and Systems of the

Human Environment (3 edition). New York, Wiley & Sons.

Vance, C., & Geoghegan, J. (2004): “Modeling the Determinants of Semi-Subsistent and

Commercial Land Uses in an Agricultural Frontier of Southern Mexico: A Switching

Regression Approach” International Regional Science Review, 27(3), 326–347.

Velázquez, A., Mas J.F., Díaz J.R., Mayorga R., Alcántara P.C., Castro R., Fernández T.,

Bocco G., Ezcurra E. y J.L. Palacio. (2002): “Patrones y tasas de cambio de uso del suelo en

México”, Gaceta Ecológica, 62, 21-37.

Vida Nueva. (2015). "Ecocidio en la Tarahumara, crimen organizado impune"

Recuperado el 11 de octubre de 2016, a partir de

http://www.revistavidanueva.mx/content/ecocidio-en-la-tarahumara-crimen-organizado-impune

Wilson, K., Newton, A., Echeverría, C., Weston, C., & Burgman, M. (2005): “A

vulnerability analysis of the temperate forests of south central Chile”, Biological Conservation,

122,1, 9–21.

Zambelli, P., Lora, C., Spinelli, R., Tattoni, C., Vitti, A., Zatelli, P., & Ciolli, M. (2012):

“A GIS decision support system for regional forest management to assess biomass availability

for renewable energy production”, Environmental Modelling & Software, 38, 203–213.

Zheng, X., & Fan, R. (2015): “Predicting Probability of Deforestation in Belize”. Atlas of

Maine, 2015,2.

Zócalo. (2016). “Acusan incendio intencional en bosque de la Sierra Tarahumara [Chihuahua]" |

Periódico Zócalo. -07/05/2016. Recuperado el 11 de octubre de 2016, a partir de http://www.zocalo.com.mx/seccion/articulo/acusan-incendio-intencional-en-bosque-de-la-sierra-

tarahumara-1462648055

http://www.revistavidanueva.mx/content/ecocidio-en-la-tarahumara-crimen-organizado-impune

http://www.zocalo.com.mx/seccion/articulo/acusan-incendio-intencional-en-bosque-de-la-sierra-tarahumara-1462648055

http://www.zocalo.com.mx/seccion/articulo/acusan-incendio-intencional-en-bosque-de-la-sierra-tarahumara-1462648055

Documents

ÁREAS PROBABLES DE DEGRADACIÓN-DEFORESTACIÓN DE LA ... · México.Blvd Luis Encinas y Rosales SN, Centro, 83000 Hermosillo, Son., México RESUMEN El objetivo de este trabajo fue